Documentos de Académico
Documentos de Profesional
Documentos de Cultura
ASOCIACIÓN ESPAÑOLA MONOGRÁFICO: Paleoecología, analizando la cuarta dimensión ISSN 1697-2473 / Open access
DE ECOLOGÍA TERRESTRE de la biodiversidad disponible en www.revistaecosistemas.net
(1) Departamento de Biología Evolutiva, Facultad de Ciencias, Universidad Nacional Autónoma de México, Ciudad de México, 04510, México.
(2) Department of Biology, City College of New York, City University of New York, New York, NY 10031, USA.
(3) Program in Biology, Graduate Center, City University of New York, New York, NY 10016, USA.
(4) Division of Vertebrate Zoology (Mammalogy), American Museum of Natural History, New York, NY 10024, USA.
Guevara, L., León-Paniagua, L., Rios, J., Anderson, R. P. 2018. Variación entre Modelos de Circulación Global para reconstrucciones de
distribuciones geográficas del Último Máximo Glacial: relevancia para la filogeografía. Ecosistemas 27(1): 62-76. Doi.: 10.7818/ECOS.1443
La reconstrucción de distribuciones geográficas durante el Último Máximo Glacial (UMG) es una práctica cada vez más común en estudios filogeo-
gráficos. Permite inferir áreas de estabilidad a lo largo del tiempo (refugios potenciales) y otras de expansión postglacial, hipótesis que pueden ser
puestas a prueba por patrones de variación genética. Usualmente, los investigadores estiman más de una paleodistribución al transferir el modelo
de nicho ecológico usando la salida de diferentes Modelos de Circulación Global (MCG, que estiman el clima). Aquí nos enfocamos en la variación
entre paleodistribuciones reconstruidas para el UMG, que podría deberse a dos razones estrechamente relacionadas: (1) el uso de diferentes MCG
para transferir un modelo de nicho ecológico y (2) el grado de extrapolación que sería necesario (dependiendo del MCG) para predecir en condiciones
climáticas más extremas que las existentes en el presente (condiciones no-análogas). Primero, cuantificamos las diferencias de dos MCG (CCSM4
y MIROC-ESM) comúnmente usados para transferir los modelos de nicho hacia el clima del UMG (en tres regiones ampliamente estudiadas en la
filogeografía). Segundo, investigamos si estas diferencias en los MCG causaron variación en paleodistribuciones reportadas en los 31 estudios fi-
logeográficos encontrados para estas regiones. Los dos MCG examinados mostraron diferencias significativas para casi todas las variables en las
tres áreas de estudio. Importantemente, las diferencias entre los dos MCG se manifestaron de manera diferente en cada área de estudio. Estas di-
ferencias condujeron a discrepancias notorias en las paleoreconstrucciones reportadas por los artículos que usaron ambos MCG. A pesar de la im-
portancia de detectar condiciones no-análogas y decidir la manera de extrapolar en aquellas condiciones (y sus efectos sobre los resultados e
inferencias), ninguno de los estudios examinados consideró estos factores. El presente trabajo ilustra el valor de conocer la variación de los MCG
en cada área de estudio para crear paleoreconstrucciones (basados en modelos de nicho) que deban ser puestas a prueba con información adicional,
como datos genéticos y paleoecológicos.
Palabras clave: cambio climático; condiciones no-análogas; extrapolación; modelos de nicho ecológico; paleoecología; truncamiento de nicho
Guevara, L., León-Paniagua, L., Ríos, J., Anderson, R. P. 2018. Variation among Global Circulation Models for reconstructions of geographic
distributions at the Last Glacial Maximum: relevance for phylogeography. Ecosistemas 27(1): 62-76. Doi.: 10.7818/ECOS.1443
Reconstructing geographic distributions during the Last Glacial Maximum (LGM) is an increasingly common practice in phylogeographic studies. It
allows the inference of stable areas over time (potential refugia) or areas of postglacial expansion, which are hypotheses that can be tested by
patterns of genetic variation. Usually, researchers estimate more than one paleodistribution by transferring the ecological niche model using the
output of various Global Circulation Models (GCMs, which estimate the climate). Here, we focus on the variation between paleodistributions recons-
tructed for the LGM, which could be due to two related reasons: (1) the use of different GCMs to transfer an ecological niche model and (2) the
degree of extrapolation that is necessary (according to the GCM used) to predict in conditions more extreme than those existing in the present (non-
analog conditions). First, we quantified the differences of two GCMs (CCSM4 and MIROC-ESM) commonly used for transferring niche models into
the climate of the LGM (in three regions widely studied in phylogeography). Second, we investigated whether these differences between GCMs did
or did not lead to variation in paleoreconstructions reported in the 31 phylogeographic studies found for these regions. The two CGMs examined
showed significant differences for almost all variables in the three study areas. Importantly, the differences between the two GCMs were manifested
in different ways in each study area. These differences led to notable discrepancies in the paleoreconstructions reported by the articles. Despite the
importance of detecting non-analog conditions and deciding how to extrapolate into them (and their effects on results and inferences), none of the
examined studies considered these factors. The present study illustrates the value of assessing the variation among GCMs in each study area to
create paleoreconstructions (made using ecological niche models) that should be tested with additional information, such as genetic and paleoeco-
logical data.
Key words: climate change; ecological niche models; extrapolation; niche truncation; non-analog conditions; paleoecology
© 2018 Los Autores. Editado por la AEET. [Ecosistemas no se hace responsable del uso indebido de material sujeto a derecho de autor] 62
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Introducción mos (Harrison et al. 2016). Debido a estas diferencias, el clima que
es estimado para un determinado período de tiempo (e.g. para el
Debido a que el clima es uno de los principales determinantes UMG o para el futuro) puede diferir entre MCG en los valores de
de la distribución geográfica de las especies (Brown et al. 1996), temperatura y precipitación (Varela et al. 2015a). El tema de la va-
los ciclos climáticos durante el Cuaternario han sido frecuente- riación entre los MCG no es trivial, ya que, si un mismo modelo de
mente mencionados en estudios filogeográficos como factores cau- nicho ecológico de una especie es transferido a estimaciones de
sales de los patrones de variación genética (Peterson 2009; Hewitt diferentes MCG, es predecible hallar diferencias en las paleodistri-
2004). Estos ciclos compuestos por periodos cálidos, incluso más buciones predichas para esa misma especie y, consecuentemente,
cálidos que el presente, y períodos fríos (edades de hielo) habrían la interpretación de patrones filogeográficos podría cambiar.
modificado las distribuciones geográficas de las especies (Hewitt
Segundo, la transferencia de modelos de nicho ecológico a dife-
1996, 2004). Quizá el episodio más reciente que pudo haber ejer-
rentes períodos -o áreas geográficas- conlleva la posible necesidad
cido gran impacto en la historia demográfica de las especies y del
de extrapolación del modelo debido a la existencia de condiciones
que se tiene el mejor conocimiento es el Último Máximo Glacial
climáticas diferentes de aquellas usadas en la calibración del modelo
(UMG, hace ≈ 22 000 años). Las condiciones climáticas más frías
(Williams y Jackson 2007; Fitzpatrick y Hargrove 2009). Por ejemplo,
que las actuales y los cambios en los regímenes de precipitación
para alguna variable climática los valores en el nuevo período o área
ocurridos durante el UMG debieron haber ocasionado la fragmen-
podrían ser más extremas que aquellos presentes en el área usada
tación, conectividad, extinción o expansión de poblaciones, en com-
para calibrar el modelo (e.g. más frías que las actuales, véase el
paración a las distribuciones anteriores (e.g., durante el interglacial
punto de truncamiento en la Fig. 1; la forma más simple de condi-
previo; Hewitt 1996).
ciones no-análogas, que también pueden incluir novedosas combi-
Evaluar explícitamente el efecto potencial del UMG sobre la dis- naciones multivariadas). Este hecho causa que el investigador deba
tribución geográfica de las especies ha sido posible debido a la extrapolar las curvas de respuesta del modelo para esa variable (ex-
mayor disponibilidad de evidencia paleoecológica, de datos gené- trapolación univariada o estricta, según Owen et al. 2013). Al extra-
ticos y, más recientemente, de técnicas correlativas de Modelado
de Nicho Ecológico (MNE; Svenning et al. 2011; Gavin et al. 2014).
Con el MNE se pueden caracterizar las asociaciones climáticas de
las especies (es decir la idoneidad del ambiente para las especies
de interés) y así estimar sus distribuciones geográficas potenciales
actuales, futuras o pasadas (e.g. durante el UMG, Waltari et al.
2007). Al integrar aquellas hipótesis de distribución geográfica a
través del tiempo en estudios filogeográficos, ahora los patrones
de variación genética son comúnmente interpretados en un con-
texto geográfico y ecológico para revelar las causas probables de
la estructura poblacional e historia demográfica de las especies
(Chan et at. 2011; Alvarado-Serrano y Knowles 2014).
Uno de los usos más habituales del MNE en los estudios filo-
geográficos es la identificación de la existencia potencial de pobla-
ciones durante el UMG, es decir, áreas adecuadas según el clima.
Los mapas de distribución potencial durante el UMG se pueden
comparar con mapas correspondientes en la actualidad para de-
tectar zonas de estabilidad potencial a lo largo del tiempo (refugios
potenciales) u otras de expansión postglacial (Carnaval et al. 2009;
Gavin et al. 2014). Con estos patrones geográficos propuestos, los
patrones filogeográficos pueden ser utilizados para inferir procesos
causales a través de estadísticos de resumen o simulaciones coa-
lescentes (Carnaval et al. 2009; Peterson y Anamza 2015). Por lo
tanto, la variación en las áreas de distribución potencial estimadas
para el UMG influirá en la interpretación de los resultados de la va-
riación genética. Así que, puede ser importante fomentar un uso
más cuidadoso de la estimación de distribuciones potenciales pa-
sadas (i.e. paleoreconstrucciones) en estudios filogeográficos y, Variable climática
consecuentemente, obtener un mejor entendimiento del efecto del
clima sobre la distribución de la variación genética de las especies. Figura. 1. Curva de respuesta hipotética para una variable de temperatura
No obstante, diversas fuentes de incertidumbre complican la (°C) ilustrando las condiciones análogas y no-análogas para el caso univa-
estimación de paleodistribuciones y han sido tratadas con detalle riado. Las condiciones existentes en el área de estudio que sirvieron para
calibrar el modelo de nicho ecológico aparecen en blanco, terminado por el
(e.g. climas no-análogos, variación debida al uso de diferentes al-
punto de truncamiento de nicho. Tales condiciones pueden (o no) existir en
goritmos para modelar el nicho ecológico; Williams y Jackson 2007, la segunda región/período, sin mayor complicación para predecir idoneidad
Nogués-Bravo 2009; Varela et al. 2015b; Collevatti et al. 2013), en ahí. En contraste, las condiciones que existen en el tiempo -o espacio- hacia
el presente trabajo nos enfocamos en el reto para reconstruir pale- donde el modelo será transferido (pero no en el área de calibración del mo-
odistribuciones que se deriva de no saber con exactitud cómo fue delo) representan condiciones no-análogas. Tales condiciones pueden va-
el clima durante el UMG. Primero, para estimar paleodistribuciones riar entre Modelos de Circulación General (MCG; azul y crema) y causan
se requiere que el modelo de nicho ecológico típicamente calibrado mayor incertidumbre debido al método de extrapolación.
con las condiciones actuales sea transferido a reconstrucciones del Figure. 1. Hypothetical response curve for a temperature variable (° C) il-
clima que probablemente existió durante el UMG. Este clima del lustrating analog and non-analog conditions. The conditions existing in the
UMG ha sido recreado con Modelos de Circulación General (MCG) study area that was used to calibrate the ecological niche model appear in
que se encargan de estimar la dinámica climática pasada a través white, ending at the truncation point. Such conditions may or may not exist
in the second region/period, with no associated complication to predict suit-
de simulaciones de los procesos físicos que operan en la atmós-
ability there. In contrast, conditions that exist in the time -or space- to which
fera, océanos y superficie terrestre (Braconnot et al. 2012). Hoy en the model will be transferred (but not existing within the area of model cali-
día, existen disponibles múltiples MCG desarrollados por varios bration) represent non-analog conditions. Such conditions may vary be-
grupos de investigación, los cuales basan sus simulaciones en di- tween General Circulation Models (MCG; blue and cream) and cause
ferentes condiciones experimentales iniciales y en diversos algorit- additional uncertainty related to the extrapolation method chosen.
63
Ecosistemas 27(1): 62-76 Guevara et al. 2018
polar el modelo hacia condiciones climáticas más extremas existen Materiales y métodos
dos posibilidades para llegar a una predicción: permitir que el mo-
delo estime la respuesta a la variable sin alguna restricción o man- Áreas de estudio
tener la respuesta al valor de idoneidad estimado en el punto de El estudio incluye tres regiones del hemisferio occidental distan-
truncamiento (conocido como ‘clamping’ en inglés para usuarios tes latitudinalmente y con climas actuales contrastantes (Fig. 3): la
del algoritmo de Máxima Entropía, Maxent; Fig. 2, Elith et al. 2010). Gran Cuenca en Estados Unidos (Great Basin and Range, en in-
Sin embargo, sin un conocimiento de la forma de la curva de res-
glés), los bosques montañosos al norte de Mesoamérica (montane
puesta modelada (es decir si está incrementando o decreciendo en
forests of northern Mesoamerica, en inglés) y el Bosque Atlántico
el punto de truncamiento; Anderson 2013), el investigador no puede
de Brasil (Mata Atlântica, en portugués; Brazilian Atlantic Forests,
tomar una decisión bien informada sobre el método de extrapola-
en inglés). Para definir las tres regiones, se usó un shapefile de las
ción más adecuado al extrapolar el modelo de nicho ecológico.
ecorregiones terrestres del mundo que han sido definidas con base
Además, el grado de extrapolación y, por lo tanto, la predicción ge-
en comunidades vegetales naturales y condiciones ambientales
ográfica en esas condiciones diferentes podría variar dependiendo
(Olson et al. 2001). La Gran Cuenca localizada al suroeste de los
del MCG usado, ya que algún MCG podría estar estimando condi-
Estados Unidos incluye tierras altas de varias cadenas entre las
ciones más extremas que otro (y en regiones diferentes).
Montañas Rocosas y las Sierras Nevadas, así como los desiertos
Por todo lo anterior, es propicio distinguir dos posibilidades. Pri- adyacentes. Los bosques montañosos al norte de Mesoamérica in-
mero, la variación en la estimación de distribución potencial para cluyen aquellos localizados principalmente por encima de los 500
el UMG de un mismo modelo de nicho de una especie (i.e. el mismo metros sobre el nivel del mar (msnm) y al oeste del Istmo de Te-
modelo transferido al UMG, pero usando más de 1 MCG) en zonas huantepec en México. Finalmente, el Bosque Atlántico localizado al
geográficas en donde no hay extrapolación del modelo, se debe a sureste de Brasil alberga selvas tropicales y submontanas principal-
la idiosincrasia de los MCG. En contraste, en zonas en donde hay mente en tierras por debajo de los 1000 msnm (Olson et al. 2001).
que extrapolar el modelo, la diferencia (si la hay) se puede deber a
dos factores: 1) la propia idiosincrasia de los MCG y/o 2) la manera
Variables ambientales
de extrapolar las curvas de respuesta hacia esas condiciones ex-
tremas. Para poner a prueba estas ideas, a) cuantificamos las di- Para caracterizar las condiciones climáticas actuales y pasadas
ferencias de los dos MCG más comúnmente usados en la literatura en las áreas de estudio, se utilizaron 19 variables que describen
filogeográfica reciente (en tres regiones ampliamente estudiadas) condiciones de temperatura, precipitación y la estacionalidad de
y b) comprobamos cómo estas diferencias entre los MCG causaron ellos: temperatura promedio anual (BIO 01), oscilación diurna de la
(o no) variación en paleodistribuciones reconstruidas en estudios temperatura (BIO 02), isotermalidad (BIO 03), estacionalidad de la
filogeográficos publicados. Para tal fin, se investigó el uso de las temperatura (BIO 04), temperatura máxima del mes más cálido
paleodistribuciones reconstruidas en un contexto filogeográfico a (BIO 05), temperatura mínima del mes más frío (BIO 06), oscilación
través de una búsqueda de literatura científica. Finalmente, ofre- anual de la temperatura (BIO 07), temperatura del trimestre más
cemos algunas prácticas que deben beneficiar el uso de las pale- lluvioso (BIO 08), temperatura del trimestre más seco (BIO 09),
odistribuciones en estudios filogeográficos. temperatura del trimestre más cálido (BIO 10), temperatura del tri-
64
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Figura. 3. Mapa del hemisferio occidental mostrando las tres áreas de estudio: La Gran Cuenca de Estados Unidos (en verde), los Bosques montañosos
del norte de Mesoamérica (en rosa) y el Bosque Atlántico de Brasil (en mostaza). Nótese la variación latitudinal y altitudinal (histograma de píxeles) entre
las tres áreas de estudio.
Figure. 3. Map of the Western Hemisphere showing the three study areas: The Great Basin of the United States (in green), the Montane forests of northern
Mesoamerica (in pink) and the Atlantic Forest of Brazil (in mustard). Note the latitudinal and altitudinal variation (histogram of pixels) among the three
study areas.
mestre más frío (BIO 11), precipitación anual (BIO 12), precipitación cas. Se generaron diagramas de cajas (uno para cada variable)
del mes más lluvioso (BIO 13), precipitación del mes más seco (BIO para visualizar y comparar la distribución de los conjuntos de datos
14), estacionalidad de la precipitación (BIO 15), precipitación del entre los dos MCG en cada área de estudio (Apéndice 1). Final-
trimestre más lluvioso (BIO 16), precipitación del trimestre más mente, se realizó una serie de pruebas no paramétricas para dos
seco (BIO 17), precipitación del trimestre más cálido (BIO 18) y la muestras pareadas de Wilcoxon para cada variable climática du-
precipitación del trimestre más frío (BIO 19). Estas 19 variables son rante el UMG, para determinar si las medianas de los dos MCG di-
ampliamente usadas para modelar el nicho ecológico de especies fieren en cada área de estudio. Con el fin de ilustrar la extrapolación
a través del planeta (Peterson et al. 2011; Varela et al. 2015b). Para que sería requerida al transferir un modelo al UMG, se generaron
describir las condiciones climáticas durante UMG en cada una de histogramas sobrepuestos de tres variables climáticas para visua-
las áreas de estudio, se escogieron dos reconstrucciones climáticas lizar la forma y frecuencia de valores ambientales del presente en
desarrolladas por el Paleoclimate Modelling Intercomparison Pro- comparación con las de los dos MCG para el UMG.
ject que han sido usadas comúnmente para estimar paleodistribu-
ciones: el Community Climate System Model (CCSM4) y el Model Búsqueda de literatura
for Interdisciplinary Research on Climate (MIROC-ESM). Todas las Se investigó el uso reciente de las paleodistribuciones recons-
variables fueron descargadas de la base de datos WorldClim truidas en un contexto filogeográfico a través de una búsqueda de
(http://www.worldclim.org, Hijmans et al. 2005) a una resolución de literatura científica. La búsqueda se realizó por medio de Google
2.5 minutos, tanto para el UMG como para el presente. Scholar (última búsqueda en marzo de 2017) para recopilar los ar-
tículos científicos que han usado paleoreconstrucciones en estudios
Caracterización y comparación ambiental
filogeográficos. Para ello, se usaron tres términos en conjunto:
Para cada área de estudio, se extrajeron los valores ambienta- “CCSM”, “MIROC” y “phylogeography”. A partir de estos artículos,
les para caracterizarlas en términos de la mediana y valores extre- se realizó una clasificación por regiones geográficas a través de la
mos (mínimo y máximo), tanto para el presente como para el UMG revisión del título, las palabras claves y el resumen. Finalmente, se
según los dos MCG. Este proceso se hizo después de convertir el escogieron los estudios filogeográficos enfocados parcial o comple-
shapefile a raster y después a puntos con coordenadas geográfi- tamente en las tres áreas de estudios anteriormente mencionadas.
65
Ecosistemas 27(1): 62-76 Guevara et al. 2018
De los artículos referentes a las tres áreas, se extrajo la si- Caracterización y comparación del UMG entre MCG
guiente información: 1) si los autores usaron solo uno o los dos
La Gran Cuenca. MIROC-ESM estimó temperaturas más bajas
MCG (CCSM4 y MIROC-ESM) para estimar la distribución poten-
que CCSM4 durante el UMG, tanto en el promedio anual como en
cial durante el UMG, 2) si existieron discrepancias en las distribu-
condiciones extremas, así como una oscilación diurna mayor (BIO
ciones geográficas potenciales estimadas al usar los dos MCG,
02; Tabla 1; Apéndice 1). Además, en comparación con CCSM4,
3) si se especificó algún método para detectar la presencia de
MIROC-ESM indicó mayor precipitación anual durante el UMG y
condiciones no-análogas al transferir el modelo de nicho al UMG
una mayor variación en variables extremas de precipitación como
y si se mostraron los mapas indicando las zonas en donde hubo
la del mes más lluvioso. La comparación entre ambos MCG arrojó
extrapolación del modelo. Adicionalmente, también para los artí-
diferencia significativa en la mediana para cada una de las 19 va-
culos en los cuales el 2 es afirmativo, se registró si los autores
riables (p < 0.001), excepto para la precipitación del trimestre más
atribuyeron la discrepancia entre las paleodistribuciones recons-
frío (BIO 19; Tabla 1).
truidas a alguna razón específica. Con esta revisión de literatura
nuestra intención fue averiguar el estado actual del uso de pale- Bosques montañosos al norte de Mesoamérica. MIROC-ESM
odistribuciones en estudios filogeográficos y, de esta forma, su- estimó temperaturas más bajas que CCSM4 durante el UMG, tanto
gerir lineamientos que podrían beneficiar la integración de ambos para el promedio anual como para condiciones extremas (Tabla 2;
campos. La base de datos con los artículos examinados se en- Apéndice 1). La variación entre mínimos y máximos fue conside-
cuentra disponible en el Apéndice 2. rablemente más amplia en MIROC-ESM para algunas variables
que describen condiciones extremas de temperatura, como la má-
xima del mes más cálido. A diferencia de la Gran Cuenca, aquí fue
Resultados
CCSM4 el que mostró mayor precipitación durante el UMG. Para
Caracterización climática actual algunos píxeles, la diferencia en la precipitación anual estimada
entre los dos GCM fue mayor a 1000 mm. Por ejemplo, el mayor
La Gran Cuenca. El área de estudio incluye 28219 píxeles. La valor de precipitación anual de acuerdo a CCSM4 fue de 4001 mm,
temperatura promedio anual varía entre los -1.6 y 23.9 °C, con una mientras que MIROC-ESM estimó solamente 2027 mm para ese
precipitación anual de 46 hasta 788 mm. mismo píxel. La comparación entre ambos MCG arrojó diferencia
Bosques montañosos al norte de Mesoamérica. El área de es- significativa en la mediana de 18 variables (p < 0.01; Tabla 2), re-
tudio incluye 8820 píxeles. La temperatura promedio anual fluctúa sultando no significativa la temperatura máxima del mes más cálido
entre los 2.1 y 28.3 °C, mientras que la precipitación anual va de (BIO 05).
354 hasta 4040 mm. Bosque Atlántico de Brasil. Para variables que se refieren a pro-
Bosque Atlántico de Brasil. El área de estudio incluye 61695 pí- medios anuales, MIROC-ESM también estimó temperaturas más
xeles. La temperatura promedio anual va de los 11 a los y 27.6 °C, bajas que CCSM4 durante el UMG (igual que para los Bosques
con una precipitación anual que fluctúa entre 381 hasta 3537 mm. montañosos al norte de Mesoamérica). Sin embargo, para variables
Tabla 1. Comparación ambiental de 19 variables bioclimáticas para el presente y el Último Máximo Glacial de acuerdo con dos Modelos de Circulación
Global (MCG; CCSM4 y MIROC-ESM) para la Gran Cuenca de Estados Unidos. Se muestra la mediana, los valores mínimo (min) y máximo (max) para
cada MCG, así como el resultado de la prueba no paramétrica pareada de Wilcoxon (valor-z) para determinar si las medianas de los dos MCG difieren
en el área de estudio. Aparece en negritas el valor de p para las variables no significativas.
Table 1. Environmental comparison for 19 bioclimatic variables between the present and the Last Glacial Maximum according to two General Circulation
Models (GCMs; CCSM4 and MIROC-ESM) for the Great Basin and Range of the United States. Median, minimum (Min) and maximum (Max) values are
shown for each GCM, as well as the result of the nonparametric Wilcoxon paired test (z-score) to determine for each variable whether medians of the two
CGMs differ in the study area. P-values appear in bold for the non-significant variables.
Variables Mediana Min Max Mediana Min Max Mediana Min Max z p
BIO 01 9.6 -1.6 23.9 -0.1 -10.8 16.6 -1.5 -12.6 15.5 132.6 < 0.01
BIO 02 16.3 11.6 19.4 15.9 10.0 19.1 16.3 9.8 20.1 21.9 < 0.01
BIO 03 4.1 2.9 4.8 4.0 2.9 4.7 3.9 3.0 4.6 45.4 < 0.01
BIO 04 804.8 554.6 961.3 825.5 550.2 1034.9 810.2 529.3 952.5 69.0 < 0.01
BIO 05 32.4 14.4 45.6 22.6 4.6 36.9 20.0 2.2 34.7 135.4 < 0.01
BIO 06 -8.5 -15.7 6.0 -18.0 -28.3 0.1 -21.4 -34.4 -1.6 144.7 < 0.01
BIO 07 40.1 27.6 45.1 40.0 26.0 46.9 41.0 24.9 46.6 65.9 < 0.01
BIO 08 7.7 -7.7 33.2 -5.8 -18.0 14.5 -2.5 -23.9 12.2 35.0 < 0.01
BIO 09 17.3 -4.2 32.9 7.3 -15.0 26.2 2.3 -16.7 26.8 88.6 < 0.01
BIO 10 20.6 6.0 36.0 11.9 -2.7 28.5 9.6 -3.7 27.0 138.4 < 0.01
BIO 11 -0.9 -8.7 13.3 -9.5 -19.2 6.4 -11.4 -24.4 4.7 143.8 < 0.01
BIO 12 236.0 46.0 788.0 256 57 969 257 75 1292 33.6 < 0.01
BIO 13 28.0 7.0 123.0 31 10 194 33 14 241 57.5 < 0.01
BIO 14 10.0 0.0 41.0 10 0 34 9 0 42 11.0 < 0.01
BIO 15 25.0 8.0 88.0 28 12 90 31 11 92 55.1 < 0.01
BIO 16 77.0 19.0 336.0 86 25 528 89 35 669 38.2 < 0.01
BIO 17 39.0 3.0 140.0 39 3 123 39 4 145 17.4 < 0.01
BIO 18 50.0 6.0 147.0 49 5 170 55 5 202 38.7 < 0.01
BIO 19 63.0 18.0 324.0 77 25 511 74 18 669 0.07 0.94
66
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Tabla 2. Comparación ambiental de 19 variables bioclimáticas para el presente y el Último Máximo Glacial de acuerdo con dos Modelos de Circulación
Global (MCG; CCSM4 y MIROC-ESM) en los Bosques montañosos al norte de Mesoamérica. Se muestra la mediana, los valores mínimo (Min) y máximo
(Max) para cada MCG, así como el resultado de la prueba no paramétrica pareada de Wilcoxon (valor-z) para determinar si las medianas entre los dos
MCG para cada variable climática difieren en el área de estudio. Aparece en negritas el valor de p para las variables no significativas.
Table 2. Environmental comparison for 19 bioclimatic variables between the present and the Last Glacial Maximum according to two General Circulation
Models (GCMs; CCSM4 and MIROC-ESM) in the Montane forests of northern Mesoamerica. Median, minimum (Min) and maximum (Max) values are
shown for each GCM, as well as the result of the nonparametric Wilcoxon paired test (z-score) to test whether medians of the two CGMs for each variable
differ in the study area. P-values appear in bold for the non-significant variables.
Variables Mediana Min Max Mediana Min Max Mediana Min Max z p
BIO 01 17.7 2.1 28.3 13.7 -2.4 25.3 13.7 -3.7 27.1 12.3 < 0.01
BIO 02 14.8 9.0 18.1 15.6 10.6 19.1 16.9 9.4 23.1 32.2 < 0.01
BIO 03 6.8 5.5 8.3 6.6 4.9 8.1 6.6 5.3 7.8 7.3 < 0.01
BIO 04 165.9 49.5 338.9 202.8 87.7 439.0 226.3 98.0 363.2 33.8 < 0.01
BIO 05 28.4 10.3 39.5 25.5 7.0 37.0 25.4 3.9 44.9 0.5 0.61
BIO 06 6.8 -5.1 20.1 1.8 -11.8 16.7 1.1 -13.1 14.0 62.1 < 0.01
BIO 07 21.7 13.9 27.1 23.4 15.4 29.9 24.5 14.9 35.9 22.3 < 0.01
BIO 08 18.9 2.1 28.8 15.1 -2.2 26.4 15.4 -2.6 28.2 30.3 < 0.01
BIO 09 16.6 1.7 27.9 12.5 -3.4 24.5 12.5 -5.1 28.0 9.6 < 0.01
BIO 10 19.8 3.3 30.3 16.3 -1.0 27.2 16.3 -2.2 30.9 9.7 < 0.01
BIO 11 15.3 1.1 26.9 10.5 -4.1 23.0 10.3 -6.1 24.0 29.1 < 0.01
BIO 12 1113.5 354.0 4040.0 898 308 4001 757 192 2803 65.3 < 0.01
BIO 13 248.0 64.0 828.0 197 65 858 178 40 525 45.1 < 0.01
BIO 14 6.0 1.0 111.0 5 0 68 6 0 77 24.2 < 0.01
BIO 15 97.0 49.0 118.0 91 59 114 94 39 119 12.3 < 0.01
BIO 16 669.0 174.0 2162.0 503 148 2289 449 102 1240 48.0 < 0.01
BIO 17 27.0 5.0 366.0 26 4 233 27 4 318 9.9 < 0.01
BIO 18 314.0 53.0 1135.0 234 63 1126 267 59 1115 19.7 < 0.01
BIO 19 42.0 5.0 402.0 65 4 279 35 5 466 42.8 < 0.01
Tabla 3. Comparación ambiental de 19 variables bioclimáticas para el presente y el Último Máximo Glacial de acuerdo con dos Modelos de Circulación
Global (MCG; CCSM4 y MIROC-ESM) para el Bosque Atlántico de Brasil. Se muestra la mediana, los valores mínimo (Min) y máximo (Max) para cada
MCG, así como el resultado de la prueba no paramétrica pareada de Wilcoxon (valor-z) para determinar si las medianas de los dos MCG para cada
variable climática difieren en el área de estudio.
Table 3. Environmental comparison for 19 bioclimatic variables between the present and the Last Glacial Maximum according to two General Circulation
Models (GCMs; CCSM4 and MIROC-ESM) for the Atlantic Forests of Brazil. Median, minimum (Min) and maximum (Max) values are shown for each GCM,
as well as the result of the nonparametric Wilcoxon pairedtest (z-score) to test whether medians of the two CGMs for each variable differ in the study area.
Variables Mediana Min Max Mediana Min Max Mediana Min Max z p
BIO 01 20.8 11.0 27.6 17.1 7.7 24.1 16.9 8.1 25.3 40.7 < 0.01
BIO 02 11.7 5.9 14.1 12.3 7.3 16.0 10.9 5.7 15.8 177.4 < 0.01
BIO 03 6.2 4.1 8.1 6.0 4.6 8.2 5.5 4.2 7.9 205.0 < 0.01
BIO 04 237.2 53.4 394.9 267.0 52.8 511.9 307.8 60.9 526.7 123.6 < 0.01
BIO 05 29.6 18.9 35.4 27.0 16.4 32.7 26.3 16.5 33.6 12.5 < 0.01
BIO 06 10.4 0.6 20.9 5.8 -4.2 17.2 6.9 -4.8 18.4 163.8 < 0.01
BIO 07 18.8 8.6 24.6 20.8 10.8 29.2 19.5 8.8 29.5 108.9 < 0.01
BIO 08 22.9 12.4 27.1 19.1 7.8 23.9 19.0 7.9 25.2 16.8 < 0.01
BIO 09 18.0 9.0 28.1 15.0 4.3 24.7 14.9 5.1 26.7 40.1 < 0.01
BIO 10 23.7 12.9 28.5 20.4 10.2 25.1 20.5 10.4 26.7 94.7 < 0.01
BIO 11 17.3 8.7 26.5 13.3 3.2 23.2 13.0 5.0 24.0 36.9 < 0.01
BIO 12 1447.0 381.0 3537.0 1471 359 4264 1574 389 3929 189.4 < 0.01
BIO 13 194.0 60.0 409.0 207 77 477 237 74 528 100.7 < 0.01
BIO 14 46.0 0.0 163.0 45 0 157 54 0 178 108.2 < 0.01
BIO 15 41.0 5.0 120.0 42 8 131 42 12 118 4.0 < 0.01
BIO 16 526.0 167.0 1199.0 540 200 1356 617 190 1456 120.6 < 0.01
BIO 17 171.0 2.0 563.0 188 1 541 204 2 562 173.2 < 0.01
BIO 18 465.0 6.0 1197.0 444 3 1343 469 8 1456 126.4 < 0.01
BIO 19 221.0 2.0 986.0 222 2 1097 268 3 1145 191.1 < 0.01
67
Ecosistemas 27(1): 62-76 Guevara et al. 2018
que describen condiciones extremas de temperatura fue CCSM4 Bosque Atlántico de Brasil. En siete de los 9 artículos se usaron
el que generalmente estimó valores más bajos (Tabla 3; Apén- ambos MCG, en cuatro de ellos por separado y en tres haciendo
dice 1). Al igual que en la Gran Cuenca (pero contrastando con los un consenso. En uno de los demás estudios sólo se usó el CCSM4
Bosques montañosos al norte de Mesoamérica), MIROC-ESM ge- y el último no fue claro. En todos los estudios en donde las paleo-
neralmente mostró mayor precipitación durante el UMG, aunque reconstrucciones se examinaron por separado, se observaron di-
CCSM4 fue el único que estimó una precipitación mayor a 4000 ferencias en la extensión predicha y en los patrones de
mm en algunos píxeles. La comparación entre ambos MCG arrojó conectividad. Uno de los estudios usó sólo la reconstrucción de
diferencia significativa en la mediana de las 19 variables (p < 0.01; CCSM4, justificando su uso porque de acuerdo a los autores este
Tabla 3). MCG estima condiciones más frías durante el UMG.
68
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Figura. 4. Histogramas múltiples ilustrando la variación entre dos Modelos de Circulación General (MCG) para reconstrucciones del Último Máximo Glacial
y comparando con el presente para dos variables climáticas (temperatura media anual y precipitación del mes más húmedo) en tres áreas de estudio.
Figure. 4. Multiple histograms showing the variation between two General Circulation Models (GCMs) for reconstructions of the Last Glacial Maximum
and comparing with the present for two climatic variables (mean annual temperature and precipitation of the wettest month) in three study areas.
nerar hipótesis de distribuciones potenciales de acuerdo a escena- pasado por alto en los más que 30 estudios examinados en el pre-
rios climáticos más detallados. Por ejemplo, si un MCG predice con- sente trabajo. Tal omisión en estudios filogeográficos es sorpren-
diciones más frías y secas que otro MCG en el área de estudio dente (sobre todo en los estudios más recientes), dada la creciente
durante el UMG, la paleodistribución estimada usando ese MCG de- disponibilidad de literatura al respecto y su mención relativamente
bería ser considerada como una hipótesis bajo el supuesto de que común en estudios de cambio climático futuro (e.g. Thullier et al.
efectivamente el clima fue así. Por lo anterior, sugerimos el uso de 2004; Williams y Jackson 2007; Fitzpatrick y Hargrove 2009; Zurell
diferentes MCG para estimar paleodistribuciones, pero conociendo et al. 2012; Anderson 2013; Mesgaran et al. 2014). Mapear regiones
el comportamiento de cada uno de ellos en el área de estudio me- geográficas con condiciones no-análogas es de suma importancia
diante la exploración de sus valores climáticos (ver Tablas 1-3; para la filogeografía ya que estas son regiones de mayor incerti-
Fig. 4; Apéndice 1). Esto es particularmente relevante para aque- dumbre (Elith y Leathwick 2009), sugiriendo que la interpretación de
llas variables climáticas que más influyen en el modelo de nicho. patrones de estructura poblacional e historia demográfica de las es-
pecies en esas regiones deberían tomarse con mayor cautela.
Complicaciones de condiciones no-análogas Es importante mencionar que la paleodistribución reconstruida
A pesar de la importancia tanto de detectar condiciones no-aná- en zonas geográficas con condiciones no-análogas podría diferir
logas como el método para extrapolar (y sus efectos sobre los re- considerablemente entre dos MCG si es que alguno de ellos estima
sultados e inferencias; Williams y Jackson 2007; Fitzpatrick y condiciones más extremas que el otro a partir del punto de trunca-
Hargrove 2009; Collevatti et al. 2013; Owen et al. 2013), esto fue miento de nicho. Por ejemplo, para el caso de la variación de tem-
69
Ecosistemas 27(1): 62-76 Guevara et al. 2018
70
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Moreno-Amat, E., Mateo, R.G., Nieto-Lugilde, D., Morueta-Holme, N., Svenning, J.C., Fløjgaard, C., Marske, K.A., Nógues-Bravo, D., Normand,
Svenning, J.C., García-Amorena, I. 2015. Impact of model complexity S. 2011. Applications of species distribution modeling to paleobiology.
on cross-temporal transferability in Maxent species distribution models: Quaternary Science Reviews 30(21):2930-2947.
An assessment using paleobotanical data. Ecological Modelling Taylor, K.E., Stouffer, R.J., Meehl, G.A. 2012. An overview of CMIP5 and
312:308-317. the experiment design. Bulletin of the American Meteorological Society
Nogués‐Bravo, D. 2009. Predicting the past distribution of species climatic 93(4):485-498.
niches. Global Ecology and Biogeography 18(5):521-531. Thuiller, W., Brotons, L., Araújo, M. B., Lavorel, S. 2004. Effects of restricting
Olson, D.M., Dinerstein, E., Wikramanayake, E.D., Burgess, N.D., Powell, environmental range of data to project current and future species distri-
G.V.N., Underwood, E.C., et al. 2001. Terrestrial ecoregions of the world: butions. Ecography 27(2):165-172.
a new map of life on Earth. Bioscience 51(11):933-938. Varela, S., Lobo, J.M., Hortal, J. 2011. Using species distribution models in
Otto‐Bliesner, B.L., Hewitt, C.D., Marchitto, T.M., Brady, E., Abe‐Ouchi, A., paleobiogeography: a matter of data, predictors and concepts. Palaeo-
geography, Palaeoclimatology, Palaeoecology 310(3-4), 451-463.
Crucifix, M., Murakami, S., Weber, S.L. 2007. Last Glacial Maximum
ocean thermohaline circulation: PMIP2 model intercomparisons and Varela, S., Lima-Ribeiro, M.S., Terribile, L.C. 2015a. A short guide to the cli-
data constraints. Geophysical Research Letters 34(12):1-6. matic variables of the Last Glacial Maximum for biogeographers. PloS
one 10(6):1-15
Owens, H.L., Campbell, L.P., Dornak, L.L., Saupe, E.E., Barve, N., Soberón,
J., et al. 2013. Constraints on interpretation of ecological niche models Varela, S., Terribile, L.C., de Oliveira, G., Diniz-Filho, J.A.F., González-Her-
by limited environmental ranges on calibration areas. Ecological Mod- nández, J., Lima-Ribeiro, M.S. 2015b. ecoClimate vs. Worldclim: varia-
elling 263:10-18. bles climáticas SIG para trabajar en biogeografía. Ecosistemas 24(3):
88-92. Doi.: 10.7818/ECOS.2015.24-3.11
Peterson, A.T. 2009. Phylogeography is not enough: The need for multiple
Veloz, S.D., Williams, J.W., Blois, J.L., He, F., Otto‐Bliesner, B., Liu, Z. 2012.
lines of evidence. Frontiers of Biogeography 1(1):19-25
No‐analog climates and shifting realized niches during the late quater-
Peterson, A.T., Soberón, J., Pearson, R.G., Anderson, R.P., Martínez-Meyer, nary: implications for 21st‐century predictions by species distribution
E., Nakamura, M., Araújo, M.B. 2011. Ecological niches and geographic models. Global Change Biology 18(5):1698-1713.
distributions. Monographs in Population Biology 49. Princeton University Waltari, E., Hijmans, R.J., Peterson, A.T., Nyári, Á.S., Perkins, S.L., Gural-
Press, Princeton. nick, R.P. 2007. Locating Pleistocene refugia: comparing phylogeo-
Peterson, A.T., Anamza, T. 2015. Ecological niches and present and histor- graphic and ecological niche model predictions. PLoS one 2(7):1-11.
ical geographic distributions of species: a 15-year review of frameworks, Williams, J.W., Jackson, S.T. 2007. Novel climates, no‐analog communities,
results, pitfalls, and promises. Folia Zoologica 64(3):207-217. and ecological surprises. Frontiers in Ecology and the Environment
Prates, I., Xue, A.T., Brown, J.L., Alvarado-Serrano, D.F., Rodrigues, M.T., 5(9):475-482.
Hickerson, M.J., Carnaval, A.C. 2016. Inferring responses to climate Zurell, D., Elith, J., Schröder, B. 2012. Predicting to new environments: tools
dynamics from historical demography in Neotropical forest lizards. Pro- for visualizing model behaviour and impacts on mapped distributions. Di-
ceedings of the National Academy of Sciences 113(29):7978-7985. versity and Distributions 18(6):628-634.
71
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Apéndices
Apéndice 1. Diagramas de cajas para las 19 variables bioclimáticas (BIO 01 – BIO 19) de acuerdo a dos Modelos de Circulación General (MCG; CCSM4
y MIRCO-ESM) en las tres áreas de estudio. BIO 01, BIO 02, BIO 05 – BIO 11 son temperatura en grados centígrados; BIO 03 es una proporción; BIO
04 es desviación estándar; BIO 12 – BIO 19 son precipitación en mm excepto BIO 15 que indica desviación estándar. Ver Materiales y Métodos para des-
cripción completa de las abreviaturas.
Appendix 1. Box-plots for the 19 bioclimatic variables (BIO 01 – BIO 19) according to two General Circulation Models (GCMs; CCSM4 and MIROC-ESM)
for the three study areas. BIO 01, BIO 02, BIO 05 – BIO 11 are temperature in degrees Celsius; BIO 03 is a ratio; BIO 04 is standard deviation; BIO 12 –
BIO 19 are precipitation in mm, except for BIO 15, which is standard deviation. See Material and Methods for a full description of abbreviations.
72
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Continuación Apéndice 1.
Appendix 1 Continuation.
73
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Continuación Apéndice 1.
Appendix 1 Continuation.
74
Ecosistemas 27(1): 62-76 Guevara et al. 2018
Continuación Apéndice 1.
Appendix 1 Continuation.
75
Ecosistemas 27(1): 62-76 Guevara et al. 2018
76